Свет ученый для данных?
Вопрос
Я 26 -летний парень с MBA, и я работаю системным администратором ERP. Я уже давно интересовался областью науки о данных. Мне всегда нравились статистика и различные аналитические задачи.
Я действительно хотел бы попытаться поработать в этой области, но это кажется немного ошеломляющим. Люди упоминают, что вы должны изучать Python, R, SQL, машинное обучение, расширенную алгебру, моделирование данных, большие данные (Hadoop и т. Д.), Прогнозирующая аналитика, различные инструменты бизнес -аналитики, VBA, Matlab и т. Д.
На сегодняшний день у меня есть некоторые знания SQL, и я имею общее понимание BI, больших данных, хороших навыков Excel и т. Д. Я готов узнать некоторые из вышеупомянутых областей, но у меня нет денег или времени, чтобы вернуться к Полный рабочий день снова изучает.
Итак, вот мой вопрос: есть ли на рынке какую -либо признанную «легкую версию» ученых -ученого? Как они обычно называют? Какие навыки им нужны для освоения? Что я должен научиться, чтобы работать с большими наборами данных и аналитикой без необходимости учиться полный рабочий день в течение еще 5 лет?
Я живу в Скандинавии, поэтому рынок труда здесь, вероятно, другой, но я подумал, что было бы интересно услышать некоторые ответы.
Решение
Бизнес-аналитика идеально подходит для вас; У вас уже есть деловой опыт. Если вы хотите стать добросовестным ученым, ученым, утеряйте свою информатику, линейную алгебру и статистику. Я считаю это голым предметом первой необходимости.
Я не знаю о Scandinavia, но в США наука о данных охватывает широкий спектр задач, начиная от разработки программного обеспечения на полный рабочий день до полного анализа данных, часто с опытом домена, требуемых в различных нишах, таких как экспериментальный дизайн. Вы должны решить, где лежат ваши сильные стороны и интересы, чтобы выбрать позицию по этому спектру, и соответственно подготовиться. Полезные мероприятия включают участие в конкурсах Kaggle и участие в библиотеках Data Science с открытым исходным кодом.
Другие советы
А бизнес-аналитик Вкус науки о данных - это то, для чего вы хорошо подходят.
Насколько я видел в отрасли бизнес -аналитиков и инженеров бизнес -аналитики, большая часть их работы сосредоточена на получении понимания от листов Excel и написания запросов SQL, чтобы выкопать соответствующие данные. Они пишут сценарии, но это обычно для цели визуализации, а не для аналитики с более высокой рычагом, такой как машинное обучение.
Я также вижу для вас хорошее будущее в Финансовая аналитика/квант домен. Это также домен, где кривая обучения немного крутая, но это того стоит. Вот мой ответ На Quora о том, чтобы попасть в поле Quant.
Однако, если вы хотите ускорить науку о данных, то вам придется медленно накапливать сильные линейные навыки алгебры, а также очень острые и ценные знания в области в любом домене, с которым вы бы работали. Последний часто недооценен, но из моего (короткого, но ценного) опыта в отрасли; Я ручаюсь за этот факт.
Бонусные ресурсы:
Если у вас все в порядке с полным взрывом, обучающим марафон для науки о данных, то это путь, который бы я порекомендовал:
- Одно переменное исчисление
- Много переменное исчисление
- Дифференциальные уравнения
- Линейная алгебра
- Теория вероятности и основы комбинаторики
- Статистика
- Алгоритмы
Все вышеперечисленные курсы доступны в каталоге OCW. Если нет, то вы можете найти их в других агрегаторах MOOC.